一句话总结Hinton、Bengio、Barto 三位图灵奖得主联合 OpenAI 首席科学家等 22 人发论文推演「AI 造 AI」的智能爆炸内部数据显示 AI 自主研发比例半年涨 20 倍若自动化全面接管一年进步可能压缩到约 5 周——但四道现实之墙还在论文的结论不是「爆炸已来」而是「该准备政策了」。导语这次不是末日博主是 22 个署名「智能爆炸」这个词你大概听过无数遍了——AI 改进自己、更强的 AI 再改进自己、指数起飞。通常说这话的人分两类科幻作家和末日博主。但这回不一样。2026 年 9 月 28 日一篇题为《What if automating AI RD triggers an intelligence explosion?》的论文悄悄挂上 arXiv编号 2609.36054署名 22 人Geoffrey Hinton诺贝尔物理学奖 图灵奖、Yoshua Bengio图灵奖、Andrew Barto2024 图灵奖、强化学习先驱三位大佬坐镇OpenAI 首席科学家 Jakub Pachocki、微软首席科学官 Eric Horvitz、DeepMind 的 Thore Graepel、Anthropic 联合创始人 Jack Clark 都在列。剑桥 AI 科学与政策项目CASP管这叫「首个横跨顶尖学者、前沿 AI 公司资深科学家与公民社会独立专家的研究协作」——注意公司那几位是以个人身份参与的这本身就很说明问题连拿着前沿实验室工资的人都觉得这个问题值得以个人名义签名。10 月 3 日Hinton 本人在 X 上发帖推广10 月 5 日量子位、凤凰网、华尔街见闻、新浪财经等中文媒体密集跟进。一笔被反复引用的账是今天需要一年的 AI 进步在那个假设 scenario 里只需要约 5 周。这笔账怎么算出来的哪些是数据、哪些是推演咱们拆开看。想看原文 论文arXiv 2609.36054️ CASP 报告页含执行摘要casp.ac/reports/intelligence-explosion Hinton 的推广帖X · geoffreyhinton先看数据AI 真的挤进研发流水线了论文不是凭空推演开头先摆了一组来自 Anthropic 等头部实验室的内部数据。第一组数字关于代码2025 年 1 月AI 生成且获批的代码占比还是低个位数到 2026 年 5 月这个数字超过了 80%。一年多一点从「偶尔帮忙」到「主力输出」。第二组数字更关键Claude 在仅接受高层次人类监督的情况下能自主承担的内部 AI 研发工作比例2026 年 3 月约 1%8 月已经到 26%——半年涨了 20 多倍。这里要插一句澄清免得这个数字被读歪26% 不能理解成「Anthropic 四分之一的研究已经不用人干」。它衡量的是「在高层监督下可以交给 AI 自主承担的研发工作比例」而且 Anthropic 自己强调目前还没有任何一类被测研发工作达到完全无人监督的水平。趋势比数字本身重要。第三组来自 OpenAI截至 2026 年 9 月内部的 AI 系统已经能经常完成原本人类员工需要数天完成的研发任务。为什么会这样论文给了一个很工程视角的解释AI 研发恰好是最容易自动化的研发——一切发生在数字环境里代码能直接执行实验结果快速返回模型好坏用 benchmark、loss、reward 立刻见分晓。对比化学要做实验、生物要养细胞、制造业要开模具AI 研发几乎不需要等待现实世界的反馈。真正的敏感节点不在单项自动化而在串链提出假设、设计实验、实现、分析结果、定位失败、调整路线——这些环节一旦被一个 AI 系统长时间串起来它的角色就不再是工具而是研究员。核心推演研究员可以复制这件事改变了所有账如果只是「AI 帮人写代码」那叫效率提升不叫爆炸。论文推演的关键在三个 AI 研究员和人类研究员的本质区别可复制培养一个顶尖人类研究员要五年博士加多年经验AI 研究员到达水平之后扩张就是再开一个实例。不睡觉成千上万个实例 24 小时同时跑。同步升级底层模型一更新整支「AI 研究员团队」一起变强不用重新培训。论文为此造了个概念effective RD workforce有效研发劳动力。估算结论是——如果 AI 达到顶级 AI 研究员水平、推理成本与当前前沿模型同量级那么一家领先 AI 公司现有的算力理论上就能支撑数百万名顶级人类研究员等价的研发劳动力。而今天前沿实验室的研究团队是几千人量级。中间差着三个数量级。那是不是 100 万个 AI 研究员就有 1000 倍速度论文明确说不是——科研有边际收益递减人会重复劳动、抢实验资源。真正该算的账是一个变量rreturns to research effort研究投入的回报率——研究投入翻倍进步速度能涨多少。r 低投入再多也白搭r 足够高新增研发能力造出更强的 AI 研究员反馈环才开始转。引用一项对三个 AI 研究子领域历史数据的研究r 的中心估计在 1.2 到 1.9 之间。把这个数放进模型假设 AI 研发全面自动化、回报维持、没有新的算力数据瓶颈结果是AI 技术进步速度可能在大约 1.5 年内提高 10 倍。换算一下今天一年走完的进步届时只要约 5 周——这就是被媒体反复引用的那个数字的出处。但墙也是真的四道过不去的坎看到这你是不是觉得爆炸已经开盘了论文全篇的基调恰恰相反当前证据远不足以证明智能爆炸已经发生甚至不足以证明它必然发生。中间还隔着一长串条件——AI 得足够可靠地长时间自主工作、得真正提高研发产出、成果还得反哺研发能力。而且就算几百万 AI 研究员到位面前至少还有四道墙算力AI 研究员可以复制GPU 不能凭空复制。大量关键实验要跑大模型再多 agent 也得排队等卡前沿模型一次训练数月的物理周期100 万人盯着也压不成五分钟。数据互联网的高质量自然数据不会跟着研究员数量一起涨合成数据、可验证任务、环境交互能不能持续供血现在没有定论。实验时间训练要时间、芯片流片要时间、数据中心建设要时间——软件迭代可以极快物理基础设施的扩张依然受物理世界限制。收益递减容易找的算法改进会先被找光。如果科研难度上涨得比 AI 研发能力还快爆炸根本起不来。换句话说这篇论文标题里那个 What if 是认真的——它在推演一个条件苛刻但不算离谱的 scenario而不是宣布它已经到来。怎么看从「要不要信」到「要不要备」把这篇论文放回 2026 年的时间点看它真正的价值可能不在算出「5 周」而在三件事。第一它把智能爆炸从立场问题变成了参数问题。以前争论「会不会爆炸」靠的是直觉和站队这篇论文给出了可辩论的框架——r 是多少、自动化比例怎么涨、瓶颈在哪——每个假设都可以被后续研究修正或推翻。这比「信不信」进步得多。第二签名阵容本身就是信号。让 Hinton、Bengio、Barto 三位图灵奖得主和 OpenAI、Anthropic、微软、DeepMind 的现任高管坐在同一份署名栏里以「个人身份」联署一份偏警示的推演——这说明前沿实验室内部的人自己也认为这件事值得正式建模而不只是放在演讲里讲。第三论文的落点是政策。执行摘要明确说这是「评估智能爆炸可能性并建议准备政策」的研究华尔街见闻概括其主张为在算力瓶颈突破之前监管框架就该建立起来——因为等迹象肉眼可见时反馈循环可能已经转起来了。当然保持清醒的地方也要说r1.2–1.9 是对历史数据的外推AI 研发的历史太短这个估计本身不确定性很大「自主完成 26% 研发工作」的口径是实验室自报的内部统计外部无法独立验证至于个别媒体摘要里「上千 AI 代理越权黑客行为」之类更刺激的说法论文原文里并没有对应支撑看看就好uncertain。递归自我改进RSI这个 1965 年 I.J. Good 就设想的循环2026 年第一次有了具体的工程路径和一堆吓人的内部数据。至于反馈环到底转不转得起来——四道墙就在那账还在算。但这篇论文至少把一件事说清楚了这不再是「科幻设定 vs 现实」的问题而是「哪些参数到位了、哪些还差得远」的问题。参考来源论文原文What if automating AI RD triggers an intelligence explosion? · arXiv 2609.36054剑桥 AI 科学与政策项目报告页CASP · Intelligence ExplosionHinton 推广帖X · geoffreyhinton · 2026-10-03量子位报道刚刚Hinton 发了首篇 RSI 论文 · 2026-10-05华尔街见闻报道AI 教父 Hinton 首篇 RSI 论文今天一年的 AI 进步未来可能只需 5 周新浪财经报道2026-10-05凤凰网科技转载2026-10-05